交通旅行时间概率密度特征提取及其聚集查询应用研究
发布时间：2021-09-01 14:55
交通旅行时间的均值、方差、分位点等参数是评价交通出行稳定性的重要指标。然而针对原始数据以可交互的速度聚集查询得到这些指标并不容易。由于交通数据的海量特点,其中混有大量的不利于计算交通旅行时间的脏数据,分离它们费时费力;同时交通数据混有不能反应交通路况的噪音数据。因为交通旅行时间在一天不同时刻具有可变性的原因,不能简单以阈值的方式分离它们,交通旅行时间评价在必要时也涉及单独或综合考虑交通车辆类型（私家车、出租车和公共汽车）的因素。这些问题的存在导致了交通旅行时间数据信息服务价值的利用程度很低。针对上述问题,首先提出了交通旅行时间概率密度特征提取模型。它在分离出脏数据的基础上利用噪音数据的长尾分布等特性,通过有限对数正态分布混合模型以密度分支形式实现了对交通旅行时间数据观测点的聚类分组以及对有效数据和噪音数据的区分,也实现了对不规则交通旅行时间概率密度形状的定量描述,进而依据密度分支参数并结合聚类分组的数据量形成分时间段的交通旅行时间特征向量。特征向量作为交通旅行时间概率密度特征提取模型的输出值被长期存储。在此基础上,提出基于特征向量的交通旅行时间聚集查询指标计算方法。以针对跨时间段数据的...
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
μ=0,δ取不同值的对数正态分布
图 2.2 K=4 时对数正态分布混合模型示意图注 1：component 为对数正态分布混合模型的密度分支，mixture density 为对数正态混合模型 | k x 是高斯混合模型的密度分支（Component Density），每个密度分支都是符合高斯分布的，表达式为 21ln21|2kkxkkxx ex （2.15）同理，2( , )k k k ，k=1，2，3，…，K。K 为密度分支的个数当已知对数正态混合模型 ( ∣ )中参数 θ 时，对数正态混合模型的平均值和方差为 10 0( ) | ||k kKKk kkE f x xx xx x x （2.16）
中心计算后便可以得到路段旅行时间[40]。车辆自动识别法是在车辆上放置电子标签，该标签中含有发射车辆特征信息的发射器，当车辆经过安装于道路两侧的终端识别器时，识别器将接受电子标签发射的车辆特征信息，并将其传输到计算机中，通过分析处理得出交通旅行时间[40]。3.2.2 研究所用的道路车牌监控数据描述根据西安市道路网各个站点车牌自动识别系统获取的数据选取了西安市咸宁路由西向东方向行驶车辆的两个站点获取的车牌识别数据作为研究数据。咸宁路为东西走向的双向四车道主干路并设有公交专用线，位于西安市东南方，与西安市东二环相交。沿线周边主要是以居住和学校等用地为主，以办公、商业、工业等用地为辅，是西安市的重要交通通道，交通流量较大。两个站点中的起点（a 站点）和终点（b 站点）分别位于咸宁路西路和中路，两个站点间的路段全长为 3.4km，路段间有三个交通信号控制灯的十字路口，如图 3.1 所示。
【参考文献】：
期刊论文
[1]海量车牌识别数据集上基于时空划分的旅行时间计算方法[J]. 赵卓峰,丁维龙,张帅. 电子学报. 2016(05)
[2]基于时空特性分析和数据融合的交通流预测[J]. 邱世崇,陆百川,马庆禄,邹巍,张勤. 武汉理工大学学报(信息与管理工程版). 2015(02)
[3]基于MapReduce的城市道路旅行时间实测计算[J]. 张帅,赵卓峰,丁维龙,王晓晖. 计算机与数字工程. 2014(09)
[4]泛在交通信息服务系统的概念、架构与关键技术[J]. 赵祥模,惠飞,史昕,马峻岩,杨澜. 交通运输工程学报. 2014(04)
[5]车联网大数据环境下的交通信息服务协同体系[J]. 段宗涛,康军,唐蕾,樊娜,刘研,代记婷. 长安大学学报(自然科学版). 2014(02)
[6]基于Hadoop的城市道路交通流量数据分布式存储与挖掘分析研究[J]. 廖飞,黄晟,龚德俊,安乐. 公路与汽运. 2013(05)
博士论文
[1]基于微波单片集成电路的交通信息采集技术研究[D]. 余稳.西安电子科技大学 2007
硕士论文
[1]基于统计模型的城市道路交通旅行时间分析及预测方法研究[D]. 李朝.北方工业大学 2015
[2]有限高斯混合模型聚类算法的研究[D]. 古俊哲.兰州商学院 2014
[3]不同分布的随机数发生器的研究和设计[D]. 楼久怀.浙江大学 2006
本文编号：3377180
【文章来源】：长安大学陕西省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
μ=0,δ取不同值的对数正态分布
图 2.2 K=4 时对数正态分布混合模型示意图注 1：component 为对数正态分布混合模型的密度分支，mixture density 为对数正态混合模型 | k x 是高斯混合模型的密度分支（Component Density），每个密度分支都是符合高斯分布的，表达式为 21ln21|2kkxkkxx ex （2.15）同理，2( , )k k k ，k=1，2，3，…，K。K 为密度分支的个数当已知对数正态混合模型 ( ∣ )中参数 θ 时，对数正态混合模型的平均值和方差为 10 0( ) | ||k kKKk kkE f x xx xx x x （2.16）
中心计算后便可以得到路段旅行时间[40]。车辆自动识别法是在车辆上放置电子标签，该标签中含有发射车辆特征信息的发射器，当车辆经过安装于道路两侧的终端识别器时，识别器将接受电子标签发射的车辆特征信息，并将其传输到计算机中，通过分析处理得出交通旅行时间[40]。3.2.2 研究所用的道路车牌监控数据描述根据西安市道路网各个站点车牌自动识别系统获取的数据选取了西安市咸宁路由西向东方向行驶车辆的两个站点获取的车牌识别数据作为研究数据。咸宁路为东西走向的双向四车道主干路并设有公交专用线，位于西安市东南方，与西安市东二环相交。沿线周边主要是以居住和学校等用地为主，以办公、商业、工业等用地为辅，是西安市的重要交通通道，交通流量较大。两个站点中的起点（a 站点）和终点（b 站点）分别位于咸宁路西路和中路，两个站点间的路段全长为 3.4km，路段间有三个交通信号控制灯的十字路口，如图 3.1 所示。
【参考文献】：
期刊论文
[1]海量车牌识别数据集上基于时空划分的旅行时间计算方法[J]. 赵卓峰,丁维龙,张帅. 电子学报. 2016(05)
[2]基于时空特性分析和数据融合的交通流预测[J]. 邱世崇,陆百川,马庆禄,邹巍,张勤. 武汉理工大学学报(信息与管理工程版). 2015(02)
[3]基于MapReduce的城市道路旅行时间实测计算[J]. 张帅,赵卓峰,丁维龙,王晓晖. 计算机与数字工程. 2014(09)
[4]泛在交通信息服务系统的概念、架构与关键技术[J]. 赵祥模,惠飞,史昕,马峻岩,杨澜. 交通运输工程学报. 2014(04)
[5]车联网大数据环境下的交通信息服务协同体系[J]. 段宗涛,康军,唐蕾,樊娜,刘研,代记婷. 长安大学学报(自然科学版). 2014(02)
[6]基于Hadoop的城市道路交通流量数据分布式存储与挖掘分析研究[J]. 廖飞,黄晟,龚德俊,安乐. 公路与汽运. 2013(05)
博士论文
[1]基于微波单片集成电路的交通信息采集技术研究[D]. 余稳.西安电子科技大学 2007
硕士论文
[1]基于统计模型的城市道路交通旅行时间分析及预测方法研究[D]. 李朝.北方工业大学 2015
[2]有限高斯混合模型聚类算法的研究[D]. 古俊哲.兰州商学院 2014
[3]不同分布的随机数发生器的研究和设计[D]. 楼久怀.浙江大学 2006
本文编号：3377180
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3377180.html
